選択と集中

つぶやきでは文字数が足りなかったのでここで、 あらゆる情報がインターネットで取得できるこの時代だからこそ、取捨選択が大切だと考える よくいう「人生は短い」ので全ての知識を得る事は無理だ。ってゆーか忘れるし とはいえ、一度ネットの海でサーフィンを始めると旅行先を決めるために調べていたのに自分のハマってるゲームの攻略みてたり、気になるアニメ見てたりする 別にそれ自体悪いことではないのだけれど、 調べたい事はバシッと調べられた方が嬉しいに違いない だから、自分が調べたい分

誰もが情報を自由に、無料で、いくらでも取得できる時代だから選択と集中が必要だと考える だからこそ自分だけではなく他人のためにも一つの分野の情報のみを集めてまとめる事。 そしてそのまとめた内容を発信する事に価値があると考える 何が言いたいかというと、 YouTubeやイン文字数

「やりたいことないけど起業したい！」人が初めにやること

この前38万円払って起業のスクール入ったけど結局何もえられなかった人です。（挨拶） 金持ち父さん貧乏父さんという本に出会って起業したいと考えて早5年。 一向に金持ちにはなっていない。（まあ転職して収入は上がったけれど） とりあえず5年経ってようやくわかったことは、なりたいと思うだけでは慣れないということ。 行動しないと意味ないっていうけどあれマジな。 行動っていうのはいきなりyoutube始めろとかLP作れとかticktockでSNSマーケティングしろとかそういうレベ

誰かに金をもらって書いているわけじゃないんだから好きに書いてもいいじゃない by まさと

３６万円使って起業スクールに入って何も生まれなかった話

背景 34独身メンズ。エンジニア 2022年4月に転職してフリーランスになる。 その時ネットサーフィンで見つけた起業スクール。 以前からいつかは起業したいと考えていたが、行動もせずダラダラしてきた自分からしたらきっかけ作り。と話題性で入ってみる。 適当に選んだわけではなく、この起業スクールはすでに設立して5年経っており、10数名？排出した実績があるそう。 15週間で起業を目標。 中間（8週目）に事業計画書を発表する流れ 今回はできそう！と期待して入るも現実は甘くない 現

完璧主義をやめる方法

ちょっとずつ足していきます 1，加点方式で考える大体減点方式で考えがち コレがダメだった、こうした方がよかった、とか それを、これができた、アレができた、と考える。 PDCAサイクルとかも、ダメなところをチェックするのではなく、できたところ、よかったところも評価するといいと思う

今日渋谷で生涯1番美女見つけた こいつを絶対落とせるようになる！ ってナンパのモチベが上がったぜ！

金と女と俺とお前と

大体金と女があったら幸せな気がする

100日後にプロになるワシ28日目（Python）

前回の話。 スコアが合格点に足りなかった。 はい。 というわけなので今回は別のやり方で精度を上げて挑戦します 前回はビニング（値をまとめて分類する方法）を行なったので 今回は多項式・相互作用特徴量を使います。 多項式・相互作用特徴量については5記事くらい調べたけど理解不能だったため割愛 とりあえず「ビニングの強力なやつ」という認識 補足 基本的に、情報量が多ければ多いほど機械学習の精度は上がる。 このビニングや多項式・相互作用特徴量は既存のデータの組み合わせによっ

100日後にプロになるワシ27日目（Python）

お久しぶりです。 前回のお話。 テストデータ間違えた笑 今回はちゃんとしたデータで挑戦！ まずはテストデータをインポート（ちゃんとデータサイズを確認！） 次にカテゴリデータを数量データに変換！（男女を0,1に！） bin化！！（数量の偏りがあるデータはザックリグルーピング！） モデルは前回作ったのでそれで学習！ 補足 学習自体は1行で終わる。 機械学習は前処理9割っていうけどほんまそれ データを成形したり、bin化したりするのに時間かかる。 それでいうと機械学

100日後にプロになるワシ26日目（Python）

機械学習最後まで学習させて AUC（Area Under the Curve）の値も92を超えた！！ AUC AUCは指標の名前通りROC 曲線下の面積（積分）となります。この面積の範囲がは０から１ となります。ランダム分類器はのAUC値は０.５です。AUC値は０.５以上になれば分類器の効果がランダム分類器より良いです。AUC値は０.５以下になったら評価指標を逆にしてAUC値は０.５以上の分類器を得られます。 ROC曲線 ROC曲線とは、閾値（疾患の有無を判断する基準値）

100日後にプロになるワシ25日目（Python）

今日はロジスティック回帰を使った学習と 評価まで行った # テストデータと学習データへ分割from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0) # ロジスティック回帰モデルのimportfrom sklearn.linear_model import LogisticRegre